Computer-assisted analysis of routine EEG to identify hidden biomarkers of epilepsy: A systematic review
Notice bibliographique
Résumé
Background: Computational analysis of routine electroencephalogram (rEEG) could improve the accuracy of epilepsy diagnosis. We aim to systematically assess the diagnostic performances of computed biomarkers for epilepsy in individuals undergoing rEEG. Methods: We searched MEDLINE, EMBASE, EBM reviews, IEEE Explore and the grey literature for studies published between January 1961 and December 2022. We included studies reporting a computational method to diagnose epilepsy based on rEEG without relying on the identification of interictal epileptiform discharges or seizures. Diagnosis of epilepsy as per a treating physician was the reference standard. We assessed the risk of bias using an adapted QUADAS-2 tool. Results: We screened 10 166 studies, and 37 were included. The sample size ranged from 8 to 192 (mean=54). The computed biomarkers were based on linear (43%), non-linear (27%), connectivity (38%), and convolutional neural networks (10%) models. The risk of bias was high or unclear in all studies, more commonly from spectrum effect and data leakage. Diagnostic accuracy ranged between 64% and 100%. We observed high methodological heterogeneity, preventing pooling of accuracy measures. Conclusion: The current literature provides insufficient evidence to reliably assess the diagnostic yield of computational analysis of rEEG. Significance: We provide guidelines regarding patient selection, reference standard, algorithms, and performance validation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,006 |
| Bibliométrie | 0,010 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».